KI und ML gehört die Zukunft

In vielen Unternehmen haben künstliche Intelligenz (KI) und maschinelles Lernen (ML) aufgrund ihres Potenzials einen hohen Stellenwert. Nicht zuletzt begünstigt von der rasant voranschreitenden technologischen Entwicklung auf diesem Gebiet, gehen immer mehr Unternehmen dazu über, entsprechende Lösungen zu implementieren.

Wie eine Studie der International Data Corporation (IDC) zeigt, haben von rund 300 befragten Firmen in Deutschland bereits über 40 Prozent eigene KI/ML-Projekte umgesetzt. Häufig geht es den Unternehmen dabei um die Optimierung von Datenanalysen, die dank KI und ML wesentlich schneller und genauer sind. Zudem profitieren Unternehmen von einer zunehmenden Automatisierung, da Algorithmen – basierend auf Live-Informationen – Entscheidungen in Echtzeit treffen und somit einzelne

Geschäftsprozesse komplett autonom durchführen können. Dazu gehören etwa die Betrugserkennung im Finanzwesen, die vorausschauende Wartung von Maschinen, die frühzeitige Erkennung von Problemen im Fertigungsbetrieb und Interaktionen im Kundendienst.

KI und ML helfen aber auch bereits bei Herausforderungen durch die kontinuierlich wachsenden Datenmengen. So sehen sich viele Unternehmen damit konfrontiert, für ihre Informationsverarbeitung zumindest teilweise Algorithmen zu nutzen. Die manuelle Eingabe ist oft ineffizient bzw. vergleichsweise langsam und ressourcenintensiv. Obendrein hilft die moderne Datenverarbeitung und -auswertung dabei, Geschäftsprozesse zu optimieren und innovative Dienstleistungen bereitzustellen, Betriebskosten zu senken, neue Einnahmequellen zu erschließen sowie das Kundenerlebnis zu verbessern.

Gleichzeitig bringt der Einsatz von KI und ML einige Herausforderungen mit sich, die es zu bewältigen gilt. In diesem Leitfaden erfahren Unternehmen, wie sie ihre ersten KI/ML-Projekte erfolgreich aufsetzen und sich damit zukunfts- und wettbewerbsfähig aufstellen können.

Jedes KI/ML-Projekt sollte mit einer detaillierten Definition des angestrebten strategischen Ziels beginnen: Was soll auf der Grundlage welcher Parameter erreicht werden und warum ist das für das Unternehmen oder eine einzelne Abteilung wichtig? Erst im Anschluss an diese grundlegende Festlegung und in Abhängigkeit von ihr ist der technologische Ansatz (Werkzeuge und Methoden) auszuwählen und ein Zeit- und Kostenrahmen zu prognostizieren. Bei allen Überlegungen muss klar sein, welche Daten für den Einsatz von KI und ML überhaupt zur Verfügung stehen, wie einzelne Geschäftsprozesse exakt ablaufen, welche fachlichen Anforderungen notwendig sind und welche technologischen Möglichkeiten oder auch Einschränkungen es gibt.

Fehlschläge bei der Umsetzung sind häufig darauf zurückzuführen, dass die strategische Planung nur unzureichend oder überhaupt nicht stattgefunden hat. Zugleich kommt es darauf an, sich realistische und folglich erreichbare Ziele zu setzen.

 Zu berücksichtigen und zu planen ist aber nicht nur das große Ganze, sondern auch die einzelnen Schritte eines KI/ML-Projekts. Hierzu zählen unter anderem die Einführung, Tests und Trainings eines Modells sowie die Überwachung und gegebenenfalls die Anpassung von Parametern.

Aller Anfang ist einfach: Gerade KI/ML-Projekte, die auf Mustererkennung und Prozessautomatisierung setzen, sind schnell realisiert und liefern rasch hilfreiche Ergebnisse. Robotic Process Automation (RPA) kann hier ein guter Einstieg sein. Diese beliebte Automatisierungslösung ist dafür gedacht, Geschäftsprozesse effizienter, fehlerfreier und transparenter zu gestalten. Weitere klassische Einstiegsszenarien sind Chatbots und Lösungen für Predictive Maintenance. Dabei basiert jeder dieser Ansätze auf zum Teil unterschiedlichen KI- und ML-Funktionen. Die Quintessenz für Unternehmen ist, mit kleinen, überschaubaren und einfach umsetzbaren Projekten zu starten. Das bringt ihnen erste Erfahrungen und gutes Wissen für weitere, umfangreichere Projekte. Darüber hinaus können sie durch bereits etablierte und erprobte Konzepte zügig Nutzen aus KI und ML ziehen.

Als sinnvolle Ergänzung zu den ersten Ansätzen bietet sich das MLOps- Konzept an. Der Begriff setzt sich zusammen aus Machine Learning und Operations (Geschäftsabläufe). Das Konzept betrifft den gesamten Lebenszyklus eines Projekts und dient dazu, möglichst alle Workflows zu automatisieren, um so ein schnelles und kontinuierliches Ausrollen von qualitativ hochwertigen ML-Modellen in den produktiven Betrieb zu ermöglichen.

Ob interne oder externe Datenquelle – relevante Daten in großer Anzahl und von hoher Qualität sind erfolgskritisch für KI/ML-Projekte. Eine geeignete Datenplattform optimiert die Bereitstellung, Bereinigung, Harmonisierung und Auswertung von Daten signifikant. Für einen reibungslosen Betrieb sollten Unternehmen bei der Auswahl einer entsprechenden Lösung auf eine erstklassige Performance, umfangreiche Konnektivität, uneingeschränkte Interoperabilität, freie und flexible Skalierbarkeit sowie Sicherheit achten.

Besonderes Augenmerk gilt der Integrationsfähigkeit der Lösung, da sich nur dank ihr alle verfügbaren aktuellen und historischen Daten zusammenführen lassen – und zwar unabhängig von Quelle und Format. Demzufolge entsteht zwischen den einzelnen, bislang unverbundenen und isolierten Datenquellen eine komplexe Struktur aus Verbindungen – eine Data Fabric. Einmal akkumuliert und verknüpft, müssen die Informationen mithilfe der Datenplattform noch bereinigt und harmonisiert werden. Nur solche sauberen Daten – oder englisch „Healthy Data“ – sind qualitativ hochwertig genug.

Für mehr Übersicht und Transparenz kommen häufig Cockpit- oder Dashboard- Ansichten und weitere Tools zur Visualisierung zum Einsatz. Hilfreich ist es, wenn die Datenplattform auch eine einfache Einbindung von Fremd-Anwendungen gestattet, da viele Unternehmen bereits über zahlreiche Speziallösungen für Datenvisualisierung oder Business Intelligence verfügen. Außerdem läuft das Datenmanagement idealerweise über eine Workflow-Engine weitgehend automatisiert ab, denn die manuelle Verwaltung wird im Zuge der kontinuierlich wachsenden Menge an Daten immer komplexer und aufwändiger.

Einzelne KI/ML-Projekte lassen sich vielfältig bereitstellen. Unternehmen stehen daher vor der Entscheidung, welches Bereitstellungsmodell ihren Anforderungen entspricht, gesetzliche und/oder unternehmerische Vorgaben erfüllt und nicht zuletzt zum geplanten Anwendungsfall passt. Folgende Modelle sind in Bezug auf die Bereitstellung grundsätzlich möglich: On-Premise, Hybrid-Cloud, Private Cloud und Public Cloud. An der Private Cloud schätzen Unternehmen die zusätzliche Flexibilität gegenüber dem traditionellen Non-Cloud-Modell sowie die höhere Datensicherheit gegenüber einer Public Cloud. Aber auch generell punktet die Cloud im Vergleich zur lokalen Implementierung durch eine freie und flexible Skalierbarkeit, die auf der unkomplizierten bedarfsgerechten Bereitstellung von IT-Ressourcen beruht. Dagegen bleiben On-Premise alle Daten im Unternehmen, was eine noch größere Datensicherheit verspricht. Gleichzeitig liegt die Kontrolle über die Datensicherheit und -Infrastruktur komplett in den eigenen Händen – mit allen damit verbundenen Vor- und Nachteilen.

Grundsätzlich ist darauf zu achten, dass alle theoretisch verfügbaren Daten auch tatsächlich abgerufen werden können. Woher und über welchen Weg eine Lösung die Informationen bezieht, darf für sie keinen Unterschied machen. So lassen sich etwa mithilfe von Edge Computing Daten von entlegenen Orten und Geräten für KI/ML-Projekte nutzen. Dabei werden Daten zunächst in einem zwischengeschalteten Edge Device lokal gesammelt und verarbeitet, bevor sie anschließend an ein nachgelagertes lokales System oder aber in die Cloud gehen.

Wenn das Edge Device genug Leistungsfähigkeit hat, ist es sogar in der Lage, KI/ML-Analysen unmittelbar am Ort des Geschehens durchzuführen. Das heißt, es identifiziert die Daten, die für tiefergehende Analysen im Backend wirklich nötig sind. Auf diese Weise können irrelevante Informationen bereits im Vorfeld ausgesondert werden, was sowohl für die Auslastung des Netzwerks als auch für eine effizientere Auswertung förderlich ist.

Der Erfolg eines KI/ML-Projekts hängt nicht nur von technischen Aspekten ab, sondern erfordert auch Anstrengungen in den Bereichen Human Resource Management und Change Management. Der Grund: Damit eine neue Technologie von der Belegschaft akzeptiert wird, muss eine entsprechende Unternehmenskultur etabliert werden. Die Voraussetzungen dafür sind gut, solange die Mitarbeiter vom Wert ihrer Daten und den darauf basierenden KI/ML-Ergebnissen überzeugt sind. In der unternehmerischen Realität sind jedoch häufig auch Skeptiker und Pessimisten anzutreffen. Hier gilt es aufseiten des Managements, die Verunsicherung dieser Mitarbeiter ernst zu nehmen und Vorbehalte offen zu besprechen, um die Akzeptanz für KI und ML zu steigern. So sollten beispielsweise ethische Bedenken oder auch die Sorge vor dem Verlust des eigenen Jobs im konstruktiven Dialog diskutiert werden.

Überaus wichtig ist aber auch der schrittweise Aufbau von umfassendem Know-how im Bereich KI und ML. Gerade im Hinblick auf den akuten Fachkräftemangel auf dem Arbeitsmarkt ist es ratsam, die eigene Belegschaft zur Aus- und Weiterbildung zu ermutigen. Als nützlich für den Wissensaufbau im Unternehmen können sich darüber hinaus Kooperationen mit Hochschulen, Universitäten oder Start-ups erweisen.

Für den Einsatz von KI und ML ist eine Lösung vonnöten, die viele technische Anforderungen erfüllt. Idealerweise stellt sie dank uneingeschränkter Interoperabilität problemlos Verbindungen zwischen allen relevanten Datenquellen her. Daneben überzeugt die Anwendung durch eine automatische Zusammenführung, Bereinigung, Harmonisierung und Auswertung der Daten, unabhängig von ihrer Quelle und ihrem Format. Erwartungsgemäß zeichnet sie sich zudem durch eine erstklassige Performance, freie und flexible Skalierbarkeit und Sicherheit aus. Hinzu kommen integrierte Funktionen für Analysen in Echtzeit und Schnittstellen zu Anwendungen aus den Bereichen Business Intelligence und Visualisierung. Mit der Lösung ist es möglich, gleichzeitig transaktionale und analytische Workloads durchzuführen. Betreiben lässt sich die Anwendung sowohl On-Premise als auch in der Cloud und sie unterstützt Edge Computing. All diese technischen Anforderungen erfüllt die Datenplattform InterSystems IRIS.

Sie bietet zusätzlich das Tool IntegratedML, mit dem jeder Entwickler mit SQL-Erfahrung mühelos erste eigne Projekte ausrollen kann, was sich vor dem Hintergrund des akuten Fachkräftemangels besonders bezahlt macht. Das Hauptmerkmal von IntegratedML ist eine einfache Benutzerführung, die neben der Erstellung und Ausführung von ML-Modellen auch die Kontrolle der Ergebnis-Sets erleichtert.

Noch nie war es für Unternehmen so einfach wie heute, ihre Zukunft mit KI und ML zu gestalten. Deshalb ist es für sie jetzt entscheidend, den möglichen Einsatz der Technologie eingehend zu prüfen, um den Weg in Richtung Innovation einzuschlagen. Die Anzahl der entsprechenden Initiativen wächst. Zum Beispiel hat die Europäische Kommission nun einen ambitionierten digitalen Kompass für die nächsten Jahre vorgeschlagen: Bis 2030 sollen unter anderem drei von vier Unternehmen in Europa KI nutzen. Die Verarbeitung, Analyse und Verwertung von Daten hat bereits heute einen beträchtlichen Wert für viele Geschäftsbereiche. Hier können Unternehmen ansetzen und sich mit KI und ML einen enormen Wettbewerbsvorteil sichern.

Als bewährte technologische Basis für eigene KI/ML-Projekte steht die Datenplattform InterSystems IRIS zur Verfügung.

Sie bildet als skalierbare, leistungsfähige Datenplattform die Grundlage, damit Unternehmen die anvisierten Projekte umsetzen können.